Technologie kan veel. Maar kent de publieke praktijk niet vanzelf.

Data, AI en digitalisering bieden grote kansen voor het publieke domein. Ze kunnen informatie verbinden, patronen zichtbaar maken, processen versnellen en professionals ondersteunen bij complexe afwegingen.

Daar ligt ook precies wat LEV brengt.

LEV voegt ruim 25 jaar kennis en ervaring uit het sociaal- en veiligheidsdomein toe aan technologische ontwikkeling. Van jeugd en jeugdzorg tot Zorg & Veiligheid en Wonen & Zorg, op het niveau van uitvoering, beleid én bestuur.

Niet als technisch ontwikkelaar, maar als inhoudelijk expert vanuit de publieke praktijk.

Wat LEV toevoegt

Technologie werkt met data, definities, vergelijkingen en modellen. Maar een technisch juiste uitkomst hoeft in het publieke domein nog geen juiste duiding te zijn.

LEV helpt om juist dát verschil zichtbaar te maken.

Concreet door mee te denken over:

• Aannames achter data en modellen. Wat meten of vergelijken we eigenlijk, welke aannames zitten daarin en wat blijft buiten beeld?
• Context en uitzonderingen. Welke omstandigheden maken dat dezelfde gegevens in de praktijk iets anders kunnen betekenen?
• Vertaling van uitkomsten. Wat zegt een score, patroon of voorspelling daadwerkelijk en wat kun je er juist niet uit concluderen?
• Domeinoverstijgende samenhang. Problemen staan zelden los van elkaar. Het één beïnvloedt, veroorzaakt of versterkt het ander. Om tot een passende oplossing te komen, moet je niet alleen zien wat er speelt, maar ook begrijpen hoe het samenhangt.
• Kennis van menselijk gedrag en ontwikkeling. Bij complexe situaties is de volgorde vaak bepalend. Wat moet eerst veranderen voordat een volgende stap een kans van slagen heeft? Zonder kennis van ontwikkeling, gedrag en psychologische mechanismen dreigt een kip-en-eiverhaal waarin interventies elkaar afwachten of zelfs tegenwerken.
• Uitvoerbaarheid. Hoe wordt een technologische uitkomst gebruikt door een professional? Past deze bij de werkelijkheid waarin afwegingen en besluiten worden genomen?
• Experimenteren en ontwikkelen. Meedenken, toetsen en testen met startups, ontwikkelaars, onderwijs, onderzoek en publieke organisaties voordat een toepassing breed wordt ingezet.

Data kunnen kloppen en toch tot de verkeerde conclusie leiden

Een model kan technisch correct een verband vinden. Maar daarmee weten we nog niet waardoor dat verband ontstaat.

Neem een intelligentietest. Wanneer taalvaardigheid, culturele referenties of algemene kennis onderdeel zijn van een test, kunnen die factoren mede de uitkomst bepalen. Wanneer je die context niet kent, bestaat het risico dat je een verschil in testresultaat uitlegt als een verschil in intelligentie.

De berekening kan kloppen. De conclusie niet.

Dat is precies waarom inhoudelijke expertise aan de voorkant van technologische ontwikkeling nodig is. Niet om technologie af te remmen, maar om betere vragen te stellen, uitkomsten beter te duiden en toepassingen te ontwikkelen die aansluiten op de werkelijkheid.

Technologie moet professionals helpen beter te kijken, niet bepalen wat zij moeten zien.